建站
咨詢
售后
建站咨詢
新聞中心
好，我是霖hero。
創(chuàng)新互聯(lián)是一家專業(yè)提供秀英企業(yè)網(wǎng)站建設(shè),專注與成都網(wǎng)站制作、做網(wǎng)站、外貿(mào)營(yíng)銷網(wǎng)站建設(shè)、H5網(wǎng)站設(shè)計(jì)、小程序制作等業(yè)務(wù)。10年已為秀英眾多企業(yè)、政府機(jī)構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)網(wǎng)絡(luò)公司優(yōu)惠進(jìn)行中。
前言
可能有人說(shuō)，初學(xué)者Python爬蟲爬數(shù)據(jù)太難啦，構(gòu)造正則表達(dá)式的時(shí)候，太煩瑣了，眼睛都看花了，而且前一秒還可以愉快地爬取，下一秒IP就被封了，這還爬個(gè)屁啊，不爬了。哎，不要著急，這篇文章我們教你如何使用XPath來(lái)爬取快代理中的免費(fèi)代理IP，告別眼花，告別IP被封的煩惱。
XPath
首先我們來(lái)簡(jiǎn)單了解一下XPath，想要了解更多XPath，我們可以打開W3school官方文檔進(jìn)行了解。
什么是 XPath?
- XPath是XML路徑語(yǔ)言(XML Path Language);
- XPath 使用路徑表達(dá)式在 XML 文檔中進(jìn)行導(dǎo)航;
- XPath 包含一個(gè)標(biāo)準(zhǔn)函數(shù)庫(kù);
- XPath 是 XSLT 中的主要元素;
- XPath 是一個(gè) W3C 標(biāo)準(zhǔn);
XPath作用是什么?
- XPath用來(lái)確定XML文檔中某部分位置的語(yǔ)言
- XPath在XML文檔中查找信息的語(yǔ)言
- XPath用于在XML文檔中通過(guò)元素和屬性進(jìn)行導(dǎo)航。
XPath 含有超過(guò) 100 個(gè)內(nèi)建的函數(shù)。這些函數(shù)用于字符串值、數(shù)值、日期和時(shí)間比較、節(jié)點(diǎn)和 QName 處理、序列處理、邏輯值等等。在Python爬蟲中，我們完成可以使用XPath來(lái)做相應(yīng)的信息抽取。
XPath——常用規(guī)則
簡(jiǎn)單了解一下XPath后，我們來(lái)看看它的常用規(guī)則，如下表：
我們來(lái)簡(jiǎn)單說(shuō)一個(gè)示例：
- //title[@*]
這就是一個(gè)XPath規(guī)則，它代表選擇選取所有帶有屬性的 title 元素。
好了，大概了解了XPath的常用規(guī)則和用法了，我們來(lái)添加一個(gè)Chrome瀏覽器的小插件——XPath Helper，這個(gè)小插件可以大大提高了我們使用XPath的效率。
XPath Helper的添加與使用
XPath Helper的添加
首先打開Chrome商店搜索XPath Helper，如下圖所示：
點(diǎn)擊方框2，將插件添加至Chrome中，如下圖所示：
這里我們推薦點(diǎn)擊下圖的小圖釘，更方便我們使用XPath Helper插件
這樣XPath Helper插件就添加完畢了，接下來(lái)我們簡(jiǎn)單演示一下如何使用該插件。
XPath Helper的使用
首先我們打開今天要爬取的快代理網(wǎng)站并打開開發(fā)者工具，找到我們要爬取內(nèi)容的節(jié)點(diǎn)，如下圖所示：
然后打開我們添加的插件，并輸入XPath規(guī)則，如下圖所示：
我們根據(jù)了table節(jié)點(diǎn)信息，來(lái)構(gòu)造了XPath規(guī)則，輸入XPath規(guī)矩可以直接看到返回的是什么，這樣我們就不需要每構(gòu)成一次就在程序里運(yùn)行看看能不能返回我們想要的值，這樣大大提高我們的效率。
實(shí)戰(zhàn)演練
爬取首頁(yè)
我們首先打開快代理免費(fèi)代理網(wǎng)站并打開開發(fā)者工具，如下圖所示：
通過(guò)觀察可以發(fā)現(xiàn)，頁(yè)面的URL最后的那個(gè)數(shù)字就是頁(yè)碼，也就是我們進(jìn)行翻頁(yè)的重要參數(shù)，這里我們使用了page變量為我們翻頁(yè)的參數(shù)，具體代碼如下：
- headers={
- 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.106 Safari/537.36'
- }
- def get_page(page):
- url='https://www.kuaidaili.com/free/inha/'+str(page)
- response=requests.get(url,headers=headers)
- #數(shù)據(jù)類型轉(zhuǎn)換
- html = parsel.Selector(response.text)
- parse_page(html)
首先我們構(gòu)造了一個(gè)請(qǐng)求頭，然后定義了一個(gè)get_page()方法，這里要注意的是，當(dāng)我們獲取了請(qǐng)求頁(yè)面的文本數(shù)據(jù)時(shí)，要進(jìn)行數(shù)據(jù)類型的轉(zhuǎn)換，轉(zhuǎn)換為XPath可以查找信息的HTML文本，也就是創(chuàng)建了一個(gè)parsel.Selector對(duì)象，轉(zhuǎn)換后，我們就調(diào)用parse_page()方法，并傳入html參數(shù)。
XPath規(guī)則提取內(nèi)容
我們已經(jīng)成功提取了網(wǎng)頁(yè)的HTML文本，接下來(lái)我們開始利用XPath規(guī)則來(lái)提取想要的內(nèi)容，首先我們要確定XPath規(guī)則提取內(nèi)容的范圍，如下圖所示：
從圖中我們可以看到table節(jié)點(diǎn)里包含我們要提取內(nèi)容，然后我們使用XPath Helper插件來(lái)方便我們確定是否能準(zhǔn)確提取目標(biāo)內(nèi)容，如下圖所示：
圖中的方框就是我們要提取內(nèi)容的范圍，確定范圍后，我們確定提取內(nèi)容對(duì)應(yīng)的XPath規(guī)則，如下圖所示：
好了，我們成功提取到了IP地址，經(jīng)過(guò)觀察，我們只要把圖中左上角的方框中IP改為PORT，這樣就可以提取到了端口號(hào)了，具體實(shí)現(xiàn)代碼如下：
- def parse_page(html):
- #XPath的匹配范圍
- parse_list = html.xpath('//table[@class="table table-bordered table-striped"]/tbody/tr')
- for tr in parse_list:
- parse_lists = {}
- http=tr.xpath('./td[@data-title="類型"]//text()').extract_first()
- num=tr.xpath('./td[@data-title="IP"]//text()').extract_first()
- port=tr.xpath('./td[@data-title="PORT"]//text()').extract_first()
- parse_lists[http]=num+':'+port
- time.sleep(0.1)
- print(parse_lists)
要注意的是：
- 我們?cè)跇?gòu)造XPath規(guī)則時(shí)，如：//td[@data-title="IP"]，我們要將最前面的/改為.，否則只匹配頁(yè)面的第一個(gè)內(nèi)容;
- 在XPath規(guī)則中，通過(guò)使用text()方法獲取節(jié)點(diǎn)內(nèi)部的文本，如在規(guī)則后面加//text();
- 調(diào)用extract_first()返回的是一個(gè)string字符串，是list數(shù)組里面的第一個(gè)字符串。
最后我們通過(guò)構(gòu)造一個(gè)parse_lists字典，來(lái)使我們的數(shù)據(jù)更好看。
循環(huán)遍歷
我們使用一個(gè)for循環(huán)，來(lái)遍歷翻頁(yè)，具體代碼為：
- if __name__ == '__main__':
- for page in range(1,3):
- get_page(page)
好了，這樣我們就成功爬取了快代理的免費(fèi)代理IP的前兩頁(yè)，我們可以根據(jù)需要來(lái)進(jìn)行保存免費(fèi)代理IP。
結(jié)果展示
網(wǎng)站欄目：手把手教你使用XPath爬取免費(fèi)代理IP
文章鏈接：http://m.fisionsoft.com.cn/article/dpceghc.html
